[논문 리뷰] Closed-loop machine learning for discovery of novel superconductors

Elizabeth A. Pogue, Alexander New외 16명|arXiv (Cornell University)|2022. 12. 22.

Machine Learning in Materials Science인용 수 8

한 줄 요약

이 논문은 반복적으로 신소재 후보를 생성하고 실험적으로 예측를 검증하며 피드백을 모델에 반영하는 피드백 루프 기반 기계학습 프레임워크를 제안한다. 네 번의 사이클을 거쳐 이 접근법은 발견 성공률을 두 배 이상 높였으며, Zr-In-Ni 계에서 새로운 초전도체 한 종을 발견하고, 이전에 알려지지 않은 초전도체 다섯 종을 재발견했으며, 향후 연구를 위해 두 가지 새로운 상도표를 규명했다.

ABSTRACT

The discovery of novel materials drives industrial innovation, although the pace of discovery tends to be slow due to the infrequency of "Eureka!" moments. These moments are typically tangential to the original target of the experimental work: "accidental discoveries". Here we demonstrate the acceleration of intentional materials discovery - targeting material properties of interest while generalizing the search to a large materials space with machine learning (ML) methods. We demonstrate a closed-loop ML discovery process targeting novel superconducting materials, which have industrial applications ranging from quantum computing to sensors to power delivery. By closing the loop, i.e. by experimentally testing the results of the ML-generated superconductivity predictions and feeding data back into the ML model to refine, we demonstrate that success rates for superconductor discovery can be more than doubled. In four closed-loop cycles, we discovered a new superconductor in the Zr-In-Ni system, re-discovered five superconductors unknown in the training datasets, and identified two additional phase diagrams of interest for new superconducting materials. Our work demonstrates the critical role experimental feedback provides in ML-driven discovery, and provides definite evidence that such technologies can accelerate discovery even in the absence of knowledge of the underlying physics.

연구 동기 및 목표

• 우연한 발견을 넘어서 목표 지향적인 신규 초전도체 소재의 발견을 가속화하기 위해.
• 기계학습과 실험 피드백을 융합하여 소재 발견의 느린 속도 문제를 해결하기 위해.
• 기본 물리 메커니즘이 완전히 이해되지 않은 상황에서도 실험 데이터가 기계학습 모델 성능을 크게 향상시킬 수 있음을 입증하기 위해.
• 고차원의 조성 및 구조적 파rameter를 가진 복잡한 소재 공간에서 피드백 루프 기반 기계학습의 실현 가능성을 탐색하기 위해.

제안 방법

• 기존 소재 데이터를 기반으로 기계학습 모델을 훈련하여 초전도 전이 온도(Tc)와 소재 안정성을 예측한다.
• 모델은 실험적 합성과 테스트를 위해 우선순위가 매겨진 새로운 소재 조성 목록을 생성한다.
• 실험 결과—특히 Tc 측정값과 상 식별 결과—는 모델에 다시 피드백되어 재학습되고 예측이 정교화된다.
• 이 과정은 네 번의 피드백 루프 사이클을 반복하여 점차적으로 예측 정확도와 발견 효율성이 향상된다.
• 모델은 활성 학습 원리를 활용하여 불확실도가 높거나 잠재력이 큰 후보에 집중함으로써 실험적 부담을 최소화한다.
• 상도 분석을 통합하여 Zr-In-Ni 계와 같이 유망한 조성 영역으로 탐색을 이끌어낸다.

실험 결과

연구 질문

• RQ1 기존의 시행착오 방식에 비해 피드백 루프 기반 기계학습 시스템이 신규 초전도체의 발견 성공률을 크게 향상시킬 수 있는가?
• RQ2 기본 물리 메커니즘이 알려지지 않은 상황에서 실험 피드백이 소재 발견에서 기계학습 모델의 예측 능력을 어떻게 향상시키는가?
• RQ3 반복적인 정밀 조정이 Zr-In-Ni와 같은 복잡한 삼성분 체계에서 새로운 초전도 상을 식별하는 데 어떤 영향을 미치는가?
• RQ4 기계학습 기반 탐색이 원래 훈련 데이터셋에 포함되지 않은 소재를 얼마나 넓게 발견할 수 있는가?
• RQ5 상공간 내에서 새로운 초전도 소재를 포함할 가능성이 가장 높은 조성 영역는 어디인가?

주요 결과

• 피드백 루프 기반 기계학습 시스템은 전통적 접근 방식에 비해 초전도체 발견 성공률을 두 배 이상 높였다.
• 예측, 합성, 피드백의 네 번의 반복 사이클을 거쳐 Zr-In-Ni 계에서 새로운 초전도체 한 종을 발견했다.
• 초기 훈련 데이터셋에 포함되지 않은 다섯 종의 초전도체가 재발견되어 모델의 예측 능력을 검증했다.
• Zr-In-Ni 및 관련 체계에서 새로운 상도표 두 개가 새로운 초전도 후보가 풍부한 영역으로 규명되었으며, 향후 연구에 유용할 것으로 기대된다.
• 실험 피드백의 통합은 모델 성능을 크게 향상시켰으며, 물리적 이해가 완전하지 않더라도 데이터 기반 정교화가 발견 속도를 가속화시킬 수 있음을 입증했다.
• 이 방법은 사전 물리 메커니즘에 대한 지식 없이도 복잡한 소재 공간을 효과적으로 탐색하여 향후 탐색에 적합한 영역를 성공적으로 규명했다.